ارائه یک مدل هوشمند جهت پیش بینی اشباع آب در یک مخزن کربناته گاز یبا ترکیب روش های ۱D-CNN و XGBoost

در مطالعات مخازن هیدروکربنی، تعیین دقیق اشباع سیالات مختلف در سنگ مخزن همواره با چالش های متعددی روبرو است.بطور ویژه در مخازن کربناته، روش های معمول محاسبه اشباع آب با استفاده از نگارهای متداول چاه بر مبنای رابطه آرچی ومعادلات مشتق شده از آن معمولا دارای خطا می باشد. در این پژوهش، هدف ارائه یک مدل هوشمند جهت تعیین دقیق تراشباع آب در یک مخزن کربناته گازی واقع در جنوب ایران می باشد که بر مبنای مطالعات پیشین خطای روشهای متداولمحاسبه اشباع آب در آن به اثبات رسیده است. بدین منظور، اطلاعات و داده های چاه نگاری ۳ چاه از این مخزن کربناتهمورد استفاده قرار گرفته است که با طراحی مناسب یک شبکه عصبی یادگیری عمیق ۱D-CNN و سپس یک الگوریتمیادگیری ماشین XGBoost ، اشباع آب مخزن به صورت پیوسته محاسبه می گردد . با تقسیم دادههای این ۳ چاه به دو دستهآموزش و تست، ساخت مدل و سپس ارزیابی عملکرد آن، نتایج به دست آمده دقت بسیار بالاتر مدل طراحی شده درپیش بینی اشباع آب مخزن نسبت به روش های متداول از قبیل رابطه آرچی را نشان می دهد. دقت اندازه گیری برای مدل درآموزش MAE=۰.۰۰۹,RMSE=۰.۰۱۹,R۲=۰.۹۹همچنین دقت بدست آمده برای مجموعه داده های تستRMSE=۰.۰۶۹۸,R۲=۰.۹۵۹,𝑅MAE=۰.۰۵۳یانگر کارایی مناسب مدل هوشمند طراحی شده می باشد

کلیدواژه ها:

اشباع آب ، مخزن گازی ، چاه نگاری ، شبکه عصبی کانولوشنی ، ماشین های تقویت گرا دیان